实体
Graph Neural Networks (GNNs)
Graph Neural Networks (GNNs)
PulseAugur coverage of Graph Neural Networks (GNNs) — every cluster mentioning Graph Neural Networks (GNNs) across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
新框架测试 GNN 免受校准攻击
研究人员开发了一个名为统一图校准攻击（UGCA）的新框架，用于测试图神经网络（GNN）在对抗性扰动下的鲁棒性。该框架通过使用 KL 散度损失和重新排序机制来应对攻击离散图结构的挑战，在增加校准误差的同时保持分类准确性。该研究还提供了关于模型泛化和数据集复杂性如何影响此类攻击脆弱性的理论见解。
-
新型LCC分类器提升GNN在异质图上的性能
研究人员开发了一种名为标签上下文分类器（LCC）的新型分类器，以改进异质图中的节点分类。当前的图神经网络（GNN）在处理这类节点具有不同标签连接更紧密的异质图时面临挑战。LCC通过四种类型的游走生成标签上下文嵌入，捕捉高阶类标签连通性，从而解决这一问题。当与现有的GNN集成时，LCC在异质有向图上的性能优于最先进的方法。
-
新的TAGR框架通过图修复提升GNN鲁棒性
研究人员推出了一种名为拓扑感知高斯修复（TAGR）的新型框架，旨在增强图神经网络（GNN）的鲁棒性。TAGR通过使用自适应高斯核构建稀疏特征邻域图来解决现实世界图数据中常见的噪声边或缺失边等问题。该方法结合了特征相似性与拓扑感知的残差校正，在无需密集邻接矩阵学习的情况下修复图结构。在引文网络上的实验表明，TAGR在各种图不完整场景下显著提高了GNN的性能。